受限于嵌入式设备算力有限、低功耗要求、存储空间小等因素，如何在嵌入式设备实现神经网络模型的高效部署和运行，一直是嵌入式AI开发者面临的挑战之一。

为了解决这个问题，开发者一般会在部署阶段对已训练好的神经网络模型进行一定的优化工作，比如模型的压缩、剪枝、低精度量化等，降低模型大小和计算量，来满足嵌入式设备在算力、功耗、存储等方面的限制。但是需要考虑模型的计算精度、效率和灵活性等多方面的平衡问题。

而另一个思路是设计一种轻量级神经网络模型，也是目前最彻底的解决方式。轻量级神经网络模型在算力需求、计算速度、计算复杂度等方面都具有极大的优势。目前主流的轻量级神经网络模型包括SqueezeNet、MobileNet、ShuffleNet、EfficientNet等。

那么，如何设计一个轻量级神经网络模型呢？难点又有哪些呢？

4月17日（本周五）晚7点，嵌入式AI合辑将迎来第4讲，由阅面科技合伙人&CTO童志军主讲，主题为《面向嵌入式设备的轻量级神经网络模型设计》。

童志军老师将从神经网络模型在嵌入式设备运行的挑战、神经网络模型从“特征驱动”、“数据驱动”、“精度优先”到“速度优先”等不同阶段的发展历程，并通过实际案例为我们解读如何在嵌入式设备上实现神经网络模型的高效部署和运行。